基于深度学习的形状分类,用于高光谱模拟的微塑料
Yuanli Liu1,2,3, Guohan Zhao3,4, Fan Liu3
1College of Environmental and Biological Engineering, Fujian Provincial Key Laboratory of Ecological Impacts and Treatment Technologies for Emerging Contaminants, Putian University, Putian 351100, China.
Analytical chemistry
|September 17, 2025
概括
深度学习自动化了从高光谱图像中微塑料 (MP) 形状的分类,比手工方法提供更快,更准确的结果. 卷积神经网络 (CNN),特别是移动网络,表现出卓越的性能,突出了模型架构和数据质量的重要性.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 计算机科学 计算机科学
背景情况:
- 微塑料 (MP) 形状分类至关重要,但传统上是劳动密集型的,容易产生偏见.
- 为了高效的环境监测,需要自动化MP形状分析.
研究的目的:
- 通过使用超光谱成像来研究用于自动化微塑料形状分类的深度学习模型.
- 在不同的数据集上比较各种深度学习架构的性能.
主要方法:
- 在 11,042 MP 的高光谱图像上测试了 9 种深度学习架构 (NNs,CNN,转移学习模型).
- 在七个环境矩阵中利用微里埃变换进行红外光谱学.
- 在原始,增强,精细和增强精细数据集上评估模型.
主要成果:
- 卷积神经网络 (CNN) 的表现优于神经网络 (NN),转移学习模型超过了非转移学习模型.
- 移动网络实现了最高的准确性 (0.93验证,1.00测试).
- 模型架构和数据质量显著影响分类准确性;复杂的模型显示强度.
结论:
- 深度学习为手动MP形状分类提供了一个高效的,自动化的替代方案.
- 模型选择和高质量的数据对于最佳性能至关重要.
- 对于先进的MP分析,需要对强大的模型设计进行进一步的研究.
